Tencent Hy3: The open-source MoE model challenging the giants

Architettura MoE: perché 21 miliardi valgono più di quanto sembrano

On July 6, 2026, Tencent made public Hi3, un modello linguistico di nuova generazione. La notizia ha circolato rapidamente nella comunità AI internazionale, come documentato da The Decoder. Il dato più rilevante non è la dimensione totale del modello, bensì la sua architettura.

Hy3 utilizza un’architettura Mixture-of-Experts (MoE). In sintesi, il modello dispone di 295 miliardi di parametri complessivi. Tuttavia, in ogni singola operazione di inferenza vengono attivati solo 21 miliardi di parametri. Questo significa che il costo computazionale reale è quello di un modello medio, non di un colosso da 295B.

Il principio MoE non è nuovo nel panorama AI. Infatti, Google lo ha applicato con successo nei modelli Gemini, e Meta lo ha esplorato in alcune varianti di LLaMA. Tuttavia, Tencent porta questa architettura nel dominio open-source con una scala e una trasparenza inedite. Pertanto, il rilascio di Hy3 merita un’analisi approfondita, specialmente per chi valuta l’adozione di AI nei processi di marketing.

Hy3's Defining Numbers: Performance and Hallucination Rate

Tencent dichiara che Hy3 eguaglia modelli di dimensioni due-cinque volte superiori in termini di parametri attivi. Si tratta di un’affermazione ambiziosa. Dunque, è opportuno contestualizzarla con i benchmark disponibili.

Il dato più interessante riguarda il hallucination rate. Hy3 registra un valore del 5,4%, dimezzato rispetto ai modelli di riferimento comparabili. Per le applicazioni di marketing — dove l’accuratezza fattuale è critica — questo parametro ha un peso specifico elevato. Infatti, un modello che allucinates frequentemente genera contenuti inaffidabili, con ricadute dirette sulla brand reputation.

According to the research of McKinsey on the AI Landscape 2025, la riduzione delle allucinazioni è uno dei principali ostacoli all’adozione enterprise dei modelli linguistici. Di conseguenza, un tasso del 5,4% posiziona Hy3 in modo competitivo rispetto a soluzioni proprietarie ben più costose.

Oltre a questo, l’apertura del codice sorgente consente alle aziende di eseguire il modello on-premise. Pertanto, i dati sensibili non transitano su infrastrutture di terze parti. Per settori come il retail, il finance o il B2B con vincoli di compliance, questo è un vantaggio strutturale.

Casi d’uso per il marketing: dove Hy3 trova applicazione concreta

Per i marketing manager italiani, la domanda pratica è semplice: dove posso applicare questo modello? La risposta dipende dal contesto aziendale e dagli obiettivi. Tuttavia, alcune aree emergono con chiarezza.

Content creation and SEO copywriting. Hy3 può supportare la produzione di testi ottimizzati per i motori di ricerca a scala. In particolare, la riduzione delle allucinazioni lo rende più affidabile per contenuti informativi e schede prodotto. Chi vuole approfondire le implicazioni per la SEO content production troverà in questo modello uno strumento interessante da valutare.

Campaign personalization. I modelli MoE efficienti si prestano all’elaborazione di varianti creative in volume. Quindi, chi gestisce Google Ads campaigns o attività su LinkedIn può esplorare workflow di generazione e testing automatizzato degli asset creativi.

Analysis and reporting. Hy3 può essere integrato in pipeline di analisi dei dati di marketing. Analogamente ad altri modelli open-source, supporta task di summarization, classificazione e estrazione di insight da dataset strutturati e non strutturati. Questo si integra naturalmente con i servizi di digital marketing that include advanced analytical components.

Chatbots and internal assistants. Le aziende che vogliono deployare un assistente AI per il team marketing — senza dipendere da API esterne — trovano in Hy3 un candidato credibile. Infine, il costo di inferenza ridotto abbassa la soglia di accesso per le PMI che non dispongono di budget infrastrutturali enterprise.

Trade-offs to consider before adoption

Nessun modello è privo di limitazioni. Pertanto, è utile mappare i trade-off principali di Hy3 prima di inserirlo in una valutazione tecnologica.

• Hardware infrastructure: Even with only 21B active parameters, local deployment requires adequate GPUs. For many Italian SMEs, this implies a cloud investment or a specialized technical partner.
• Independent benchmark verification: i dati di performance sono dichiarati da Tencent. Al momento del rilascio, la validazione da parte della comunità accademica indipendente era ancora in corso. Quindi, è consigliabile attendere review esterne prima di decisioni strategiche vincolanti.
• Italian language come per molti modelli di origine cinese, le prestazioni in italiano potrebbero essere inferiori rispetto all’inglese o al cinese. Questo è un aspetto da testare empiricamente in contesti di marketing italiano.
• Maintenance and updates: Open-source models require in-house expertise or an external partner for ongoing management. In contrast, proprietary APIs offer automatic updates but less control.

According to Gartner, la maturità operativa dei modelli open-source è aumentata significativamente, ma il gap di supporto rispetto alle soluzioni enterprise rimane un fattore da pesare. Allo stesso modo, la scelta tra open-source e proprietario non è mai solo tecnica: è anche organizzativa.

SHM Studio's Perspective: Open-Source as a Strategic Lever, Not Just a Tactical One

We of SHM Studio osserviamo una tendenza consolidata: le aziende più avanzate non scelgono tra AI proprietaria e open-source in modo binario. Piuttosto, costruiscono stack ibridi, dove modelli come Hy3 gestiscono task ad alto volume e bassa sensibilità, mentre soluzioni enterprise presidiano i processi critici.

Hy3 si inserisce in questo scenario con un profilo interessante. Infatti, combina efficienza computazionale, apertura del codice e prestazioni competitive. Per i responsabili marketing che stanno valutando come integrare l’AI nei propri processi — dalla SEO all AI consulting for marketing — questo modello merita attenzione.

Tuttavia, la tecnologia da sola non genera valore. Di conseguenza, il vero differenziale è la capacità di integrare questi strumenti in workflow concreti, misurabili e scalabili. È esattamente il lavoro che facciamo con i nostri clienti, affiancando la valutazione tecnologica alla progettazione operativa.

Chi vuole approfondire come l’AI open-source possa integrarsi nei propri processi di marketing può esplorare i SHM Studio services to consult our blog per aggiornamenti continui sul panorama AI. Per un confronto diretto, il team è disponibile attraverso la Contact Us.

What no one tells you: the geopolitical signal behind Hy3

C’è una lettura che va oltre la tecnica. Il rilascio open-source di Hy3 da parte di Tencent non è un gesto neutro. Infatti, si inserisce in una strategia più ampia di posizionamento dell’ecosistema AI cinese sul mercato globale.

Rendere disponibile un modello competitivo senza costi di licenza abbassa le barriere di adozione per sviluppatori e aziende in tutto il mondo. Pertanto, accelera la diffusione di standard e architetture di origine cinese. Questo dinamismo competitivo — che vede Tencent, Alibaba e DeepSeek rilasciare modelli open-source con cadenza crescente — sta ridisegnando gli equilibri del mercato AI globale.

Per i decision maker italiani, questo significa più scelta e più complessità. In particolare, significa dover valutare non solo le prestazioni tecniche, ma anche le implicazioni di dipendenza tecnologica, governance dei dati e allineamento con le normative europee sull’AI. L’Digital architecture delle aziende dovrà tenere conto di questi fattori con crescente attenzione nei prossimi 12-24 mesi.